TL;DR：最初の分かれ道はテキストか画像かです。SRT、ASS、VTTは自由に編集・翻訳・変換できるテキストであるのに対し、SUPとSUB/IDXは文字の画像であり、何をするにもまずOCRが必要です。テキスト形式の中では、互換性を最優先するならSRT、スタイリングが必要ならASS、Web向けならVTTを選びましょう。
テキスト形式 vs 画像形式——最も重要な違い
個々のフォーマットを比較する前に、字幕ファイルで実際に何ができるかを決定づける、たった一つの違いがあります。それは機能や互換性の話ではなく、ファイルの中身が「言葉」なのか「画像」なのかという違いです。
テキスト形式——SRT、ASS/SSA、VTT——は各行の実際の言葉とタイミングを保存します。テキストがファイルの中にそのまま存在するため、どんなエディタでも開けますし、検索・置換もでき、翻訳ツールにかけることも、意味を損なうことなく別のテキスト形式に変換することもできます。画像形式はその逆です。SUP（Blu-rayのPGS）とSUB+IDX（DVDのVobSub）は、各字幕を文字をレンダリングした画像として保存します。プレーヤーはその画像を動画の上に重ねて表示するだけで、内部には読み取れるテキストが存在しません。
この違いこそが、フォーマット変換ツールがSRTを一瞬でVTTに変換できる一方で、SUPを単独でSRTに変換できるツールが存在しない理由です——SUPには変換すべきテキストがそもそも存在しないからです。まずOCRを実行して、画像から文字を読み取る必要があります。
テキスト形式（SRT、ASS、VTT）は実際の言葉を保持しているため、編集・翻訳ができ、互いに自由に変換できます。画像形式（SUP、SUB/IDX）は言葉の画像を保持しているだけなので、OCRでテキスト化するまでは編集も翻訳もできません。
SRT——万能のデフォルト？
SubRip（.srt）は、存在する字幕フォーマットの中で最もシンプルな形式です。番号付きのキューのリストで、それぞれに開始・終了タイムコードと1〜2行のテキストが付いています。フォントも色も配置指定もなく、言葉とタイミングだけ。このシンプルさこそが、SRTが選ばれる理由です。
SRTはあらゆる場所で最も広くサポートされている字幕フォーマットです。すべての動画プレーヤー、すべての字幕エディタ、YouTube、そしてほぼすべてのプラットフォームが読み込めます。どんなツールに渡しても理解してもらえるため、編集・翻訳・ツール間での字幕の受け渡しに最も安全な選択肢です。フォーマットそのもの——正確な構造、タイムコード、よくある落とし穴——を詳しく知りたい方はSRT字幕フォーマットガイドをご覧ください。
SRTは編集・翻訳・可搬性においてベストなデフォルトです——スタイリングやWeb用途が明確に必要なときだけ、他のフォーマットを検討しましょう。
ASS / SSA——スタイリングが必要なとき？
Advanced SubStation Alpha（.ass、およびその前身であるSSA）は、テキストに豊富なスタイリングを加えたフォーマットです。言葉とタイミングに加えて、フォント、色、輪郭線、正確な画面上の配置、カラオケ風のエフェクトまで指定できます。アニメやファンサブのコミュニティで標準フォーマットとなっているのは、まさに字幕の見た目が重要だからです——看板の翻訳、歌詞、複数の話者にそれぞれ独自のスタイルを与えられます。
見た目の再現が仕事の一部であるならASSを選びましょう。知っておくべきトレードオフとして、ASSをSRTに変換すると、スタイリング情報はすべて失われます。SRTにはフォント・色・位置を保存する場所がないため、言葉とタイミングだけが残り、それ以外はすべて失われます。見た目を保持したい場合は、ファイルを.assのまま保管してください。
フォント・色・配置・エフェクトが結果に不可欠な場合はASS/SSAを選びましょう。SRTにフラット化すると、スタイリングは失われることを理解した上で判断してください。
VTT（WebVTT）——Web向け？
WebVTT（.vtt）はWeb向けに作られた字幕フォーマットです。HTML5の<track>要素やWeb動画プレーヤーのキャプション形式であり、SRTと十分近い構造を持っているため両者はきれいに変換できます。VTTはブラウザが理解できる、キューの位置指定やスタイリングフックといったWeb向けの機能を追加しているだけです。
字幕がWebプレーヤー内で使われる、あるいはWebページにキャプションとして埋め込まれる場合はVTTを選びましょう。Web以外のほぼすべての用途では、SRTの方がシンプルで可搬性が高い選択肢です。VTTはブラウザという特定の場面でこそ真価を発揮します。
HTML5動画やWeb埋め込みキャプションにはVTTを使いましょう。ブラウザ以外の用途では、通常はシンプルなSRTの方が扱いやすい選択です。
SUPとSUB/IDX——OCRが必要な画像形式？
この2つは画像形式であり、テキスト形式とはまったく異なる振る舞いをします。SUP（.sup）はBlu-rayの画像字幕トラック（PGS）です。SUB+IDXはDVDの画像字幕トラック（VobSub）で、.subが画像を、.idxがそのタイミング索引を保持します。どちらも、すべての字幕はビットマップ——透明レイヤー上にレンダリングされた文字の画像で、プレーヤーがそれを動画の上に描画します。
内部にテキストが存在しないため、これらのファイルはSRTのように編集・翻訳・変換することができません。フォーマット変換ツールにも変換する材料がないのです。SUPやSUB/IDXファイルで何かをする前に、まず画像をOCRでテキスト化——通常はSRTに——する必要があり、それから初めて編集や翻訳が可能になります。Mac上では、GeekLinkがこのOCRをローカルで行います。画像字幕から文字を読み取り、何もアップロードすることなく、正確なタイミングのクリーンなSRTを書き出します。字幕がトラックとしてではなく映像に直接焼き込まれている場合も、同じOCRのアプローチが有効です。両者の見分け方は字幕の4つの種類をご覧ください。
SUPとSUB/IDXはテキストではなく画像なので、編集・翻訳・変換を行う前に、まずSRTへのOCRが必須の最初のステップです。
どのフォーマットを使うべきか？（クイック判断）
比較の全体像を1つの表にまとめました。やりたいことから該当するフォーマットを探してください。
| フォーマット | テキストか画像か | スタイリング | 最適な用途 |
|---|---|---|---|
| SRT | テキスト | なし | 編集・翻訳・可搬性 |
| ASS | テキスト | 豊富 | アニメ、スタイル付き字幕 |
| VTT | テキスト | 基本的 | Web動画 |
| SUP | 画像 | 該当なし | Blu-ray、OCRが必要 |
| SUB+IDX | 画像 | 該当なし | DVD、OCRが必要 |
実際には、ほとんどの人はSRTを求めています。どこでも開けて、編集も翻訳も最も簡単だからです。Mac上では、GeekLinkが音声認識やOCRから直接SRT（およびバイリンガル字幕）を書き出します。画像形式——SUPやSUB/IDX——については、まずGeekLinkでSRTにOCRしてしまえば、それ以降は他のテキスト字幕と同じように扱えます。
基本はSRTを使い、見た目が重要ならASS、Web向けならVTTを選びましょう。SUPとSUB/IDXについては、まずSRTにOCRしてからテキストとして扱ってください。
よくある質問
SRTとASS——どちらが優れているか？
互換性と編集のしやすさならSRT——ほぼすべてのプレーヤーやツールで開けます。フォント・色・配置が必要ならASS——SRTはスタイリングを一切保存できないためです。
SUPファイルとは？
Blu-rayの画像字幕トラック（PGS）です。テキストではなく文字の画像であるため、編集・翻訳・変換の前にOCRが必要です。
SUPをSRTに変換できますか？
フォーマット変換ツールでは変換できません——SUPには変換すべきテキストが内部に存在しないためです。画像をOCRしてSRTに変換し、各画像から文字を読み取って、元のタイミングのままテキストとして書き出します。
YouTubeやWebではどの字幕フォーマットが使われますか？
VTT（WebVTT）がWeb標準であり、HTML5動画のキャプションに使われます。SRTもYouTubeにアップロードできるため、YouTubeに限ってはどちらでも問題ありません。
どのフォーマットが字幕のスタイリングを保持しますか？
フォント・色・配置・エフェクトを保存できるASS/SSAです。SRTと通常のVTTは豊富なスタイリングを持たないため、これらに変換するとスタイリングは失われます。